CN109323425A - 空调的控制方法、装置及可读存储介质 - Google Patents

Abstract

本发明公开了一种空调的控制方法、装置及计算机可读存储介质。所述空调的控制方法包括以下步骤：定时获取室内所需的制冷/制热量；根据所需制冷/制热量以及预设的神经网络模型获取空调的目标运行参数，所述神经网络模型根据样本数据库中的样本数据训练生成；控制空调按照所述目标运行参数运行，其中，在达到所述制冷/制热量的前提下，所述空调器以所述目标运行参数运行的能效比大于其它运行参数对应的能效比。本发明具有节省能耗、延长空调寿命的优点。

Description

空调的控制方法、装置及可读存储介质

技术领域

本发明涉及空调技术领域，尤其涉及空调的控制方法、装置及可读存储介质。

背景技术

已有的空调控制方法通过大量的经验参数限定和控制空调的运行参数，空调无法一直以最佳能效运行，耗电多，不节能，空调各元件损耗快，影响空调使用寿命。

发明内容

本发明的主要目的在于提供一种空调的控制方法、装置及可读存储介质，旨在解决空调耗电多、元件损耗快的问题。

为实现上述目的，本发明提供一种空调的控制方法，所述空调的控制方法包括以下步骤：

定时获取室内所需的制冷/制热量；

根据所需制冷/制热量以及预设的神经网络模型获取空调的目标运行参数，所述神经网络模型根据样本数据库中的样本数据训练生成；

控制空调按照所述目标运行参数运行，其中，在达到所述制冷/制热量的前提下，所述空调器以所述目标运行参数运行的能效比大于其它运行参数对应的能效比。

优选地，所述根据所需制冷/制热量以及预设的神经网络模型获取空调的目标运行参数的步骤之前，包括：

将样本数据库中的样本数据按照预设比例分为训练样本及测试样本，所述样本数据包括输入参数以及输出参数，所述输入参数包括作为定值输入的环境参数及作为可调变量输入的空调运行参数，所述输出参数包括制冷/制热量以及能效比；

根据所述训练样本对所述神经网络模型进行网络训练，并更新所述神经网络模型中输入层与隐含层的连接权值、隐含层与输出层的连接权值、隐含层阈值及输出层阈值。

优选地，所述根据所述训练样本对所述神经网络模型进行网络训练的步骤之后包括：

根据所述测试样本判断所述神经网络模型是否训练完毕；

若所述神经网络模型训练完毕，则生成所述预设的神经网络模型；

若所述神经网络模型未训练完毕，则继续执行根据所述训练样本对所述神经网络模型进行网络训练的步骤。

优选地，所述根据所述测试样本判断所述神经网络模型是否训练完毕的步骤包括：

获取所述测试样本的输入参数输入所述神经网络模型后对应的输出层输出参数与目标参数的差值，所述目标参数包括目标制冷/制热量以及目标能效比；

若所述差值小于预设差值，则所述神经网络模型训练完毕。

优选地，所述将样本数据库中的样本数据按照预设比例分为训练样本及测试样本的步骤之前，还包括：

对训练前的神经网络模型初始化，设定所述神经网络中的输入层节点数、隐含层节点数、输出层节点数以及输入层与隐含层的初始连接权值、隐含层与输出层的初始连接权值、初始隐含层阈值及初始输出层阈值。

优选地，所述样本数据库包括多组样本数据，所述环境参数包括作为定值输入的室内环境温度、室内环境湿度以及室外环境温度；所述空调运行参数包括空调的压缩机频率、室内风机转速、室外风机转速、电子膨胀阀开度。

优选地，所述控制空调按照所需运行参数运行的步骤之前，还包括：

判断所述目标运行参数是否处于空调预设的运行范围内；

若所述目标运行参数处于所述预设的运行范围内，则控制空调按照所述目标运行参数运行。

优选地，所述控制空调按照所述所需运行参数运行的步骤之后，还包括：

在接收到停止优化指令时，停止执行根据所需制冷/制热量以及预设的神经网络模型获取空调的目标运行参数的步骤；

控制所述空调按照最后得到的目标运行参数运行。

此外，为实现上述目的，本发明还提供一种空调的控制装置，其特征在于，所述空调的控制装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的空调的控制程序，所述空调的控制程序被所述处理器执行时实现如上所述的空调的控制方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有空调的控制程序，所述空调的控制程序被处理器执行时实现如上所述的空调的控制方法的步骤。

本发明通过将定时获取室内所需的制冷/制热量，并将所述目标运行参数是最初的求解条件为：在达到所述制冷/制热量的前提下，所述空调器以所述目标运行参数运行时的能效比大于其它运行参数对应的能效比，通过预设的训练好的神经网络模型以及上述求解条件求得所述目标运行参数，并控制空调按照所述目标运行参数运行后，所述空调的能效比将最大化，也即，所述空调在达到所需制冷/制热量，空调的功率最小，此时空调最省电，从而实现耗电少的目的，还可以延缓空调各元件的损耗，延长空调的使用寿命。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图；

图2为本发明空调的控制方法第一实施例的流程示意图；

图3为本发明空调的控制方法第二实施例的流程示意图；

图4为本发明空调的控制方法第三实施例的流程示意图；

图5为本发明空调的控制方法第四实施例的流程示意图；

图6为本发明空调的控制方法第五实施例的流程示意图；

图7为本发明空调的控制方法第六实施例的流程示意图；

图8为本发明空调的控制方法第七实施例的流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例的主要解决方案是：

定时获取室内所需的制冷/制热量；

根据所需制冷/制热量以及预设的神经网络模型获取空调的目标运行参数，所述神经网络模型根据样本数据库中的样本数据训练生成；

控制空调按照所述目标运行参数运行，其中，在达到所述制冷/制热量的前提下，所述空调器以所述目标运行参数运行的能效比大于其它运行参数对应的能效比。

已有的空调控制方法通过大量的经验参数限定和控制空调的运行参数，空调无法一直以最佳能效运行，耗电多，不节能，空调各元件损耗快，影响空调使用寿命。

本发明通过将定时获取室内所需的制冷/制热量，并将所述目标运行参数是最初的求解条件为：在达到所述制冷/制热量的前提下，所述空调器以所述目标运行参数运行时的能效比大于其它运行参数对应的能效比，通过预设的训练好的神经网络模型以及上述求解条件求得所述目标运行参数，并控制空调按照所述目标运行参数运行后，所述空调的能效比将最大化，也即，所述空调在达到所需制冷/制热量，空调的功率最小，此时空调最省电，从而实现耗电少的目的，还可以延缓空调各元件的损耗，延长空调的使用寿命。

如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。

本发明实施例终端可以是PC，也可以是智能手机、平板电脑、便携计算机等具有显示功能的可移动式终端设备。

如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及空调的控制程序。

在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的空调的控制程序，并执行以下操作：

定时获取室内所需的制冷/制热量；

根据所需制冷/制热量以及预设的神经网络模型获取空调的目标运行参数，所述神经网络模型根据样本数据库中的样本数据训练生成；

控制空调按照所述目标运行参数运行，其中，在达到所述制冷/制热量的前提下，所述空调器以所述目标运行参数运行的能效比大于其它运行参数对应的能效比。

进一步地，处理器1001可以调用存储器1005中存储的空调的控制程序，还执行以下操作：

将样本数据库中的样本数据按照预设比例分为训练样本及测试样本，所述样本数据包括输入参数以及输出参数，所述输入参数包括作为定值输入的环境参数及作为可调变量输入的空调运行参数，所述输出参数包括制冷/制热量以及能效比；

根据所述训练样本对所述神经网络模型进行网络训练，更新所述神经网络模型中输入层与隐含层的连接权值、隐含层与输出层的连接权值、隐含层阈值及输出层阈值。

进一步地，处理器1001可以调用存储器1005中存储的空调的控制程序，还执行以下操作：

根据所述测试样本判断所述神经网络模型是否训练完毕；

若所述神经网络模型训练完毕，则生成所述预设的神经网络模型；

若所述神经网络模型未训练完毕，则继续执行根据所述训练样本对所述神经网络模型进行网络训练的步骤。

进一步地，处理器1001可以调用存储器1005中存储的空调的控制程序，还执行以下操作：

获取所述测试样本的输入参数输入所述神经网络模型后对应的输出层输出参数与目标参数的差值，所述目标参数包括目标制冷/制热量以及目标能效比；

若所述差值小于预设差值，则所述神经网络模型训练完毕。

进一步地，处理器1001可以调用存储器1005中存储的空调的控制程序，还执行以下操作：

对训练前的神经网络模型初始化，设定所述神经网络中的输入层节点数、隐含层节点数、输出层节点数以及输入层与隐含层的初始连接权值、隐含层与输出层的初始连接权值、初始隐含层阈值及初始输出层阈值。

进一步地，处理器1001可以调用存储器1005中存储的空调的控制程序，还执行以下操作：

所述样本数据库包括多组样本数据，所述环境参数包括作为定值输入的室内环境温度、室内环境湿度以及室外环境温度；所述运行参数包括空调的压缩机频率、室内风机转速、室外风机转速、电子膨胀阀开度。

进一步地，处理器1001可以调用存储器1005中存储的空调的控制程序，还执行以下操作：

判断所述目标运行参数是否处于空调预设的运行范围内；

若所述目标运行参数处于所述预设的运行范围内，则所述控制空调按照所述目标运行参数运行。

进一步地，处理器1001可以调用存储器1005中存储的空调的控制程序，还执行以下操作：

所述控制空调按照所述所需运行参数运行的步骤之后，还包括：

在接收到停止优化指令时，停止执行根据所需制冷/制热量以及预设的神经网络模型获取空调的目标运行参数的步骤；

控制所述空调按照最后得到的目标运行参数运行。

参照图2，本发明空调的控制方法第一实施例，所述空调的控制方法包括：

步骤S10，定时获取室内所需的制冷/制热量；

在本实施例中，可根据当前室内温度及室内目标温度的差值，获取室内所需的制冷/制热量，在空调按照当前运行参数运行预设时长后，再检测当前室内温度，从而获取室内所需的制冷/制热量，避免因空调按照当前运行参数运行时长过短，导致获取到的室内所需制冷/制热量不准确，也可以避免空调刚开始按照当前运行参数运行时波动太大，导致获取的所需制冷/制热量不准确；所述预设时长大于0.5h，如可为1h、1.5h等。

步骤S20，根据所需制冷/制热量以及预设的神经网络模型获取空调的目标运行参数，所述预设的神经网络模型根据样本数据库中的样本数据训练生成；

在本实施例中，所述神经网络模型包括输入层，隐含层及输出层，所述输入层与隐含层之间设置有连接权值，所述隐含层与所述输出层之间也设置有连接权值，所述隐含层还设置有隐含层阈值，所述输出层设置有输出层阈值。

所述样本数据库中包括多组样本数据，每个样本数据包括输入参数及输出参数，所述输入参数包括环境参数及空调的运行参数，所述环境参数包括但不限于采集得到的作为定值输入的室内环境温度、室内环境湿度、室外环境温度、空气出风温度、空气出风湿度、室内风机转速、空调总运行电压、空调总运行电流；所述空调的运行参数包括但不限于作为可调变量输入的压缩机频率、室内风机转速、室外风机转速、电子膨胀阀开度。

在所述样本数据库的形成阶段，包括如下步骤：

(1)空调开启时，按照预设的初始的运行参数运行，该运行参数但不限于包括压缩机频率、室内风机转速、室外风机转速、电子膨胀阀开度等；

(2)在空调的运行过程中，采集环境参数，所述环境参数包括但不限于室内环境温度、室内环境湿度、室外环境温度、空气出风温度、空气出风湿度、室内风机转速、空调运行电压、空调总运行电流；

(3)将采集到的环境参数及初始运行参数导入到样本数据库中，并计算空调的制冷/制热量及能效比。

具体地，空调的制冷/制热量Q可由空调出口空气参数和室内环境参数计算得出。计算包括但不限于焓差法和热平衡法。例如焓差法可根据公式：Q＝m|h1(T1,θ1)-h2(T2,θ2)|计算得到，其中，m表示空调风量，h表示单位质量空气的焓值。

空调的能效比COP＝Q/P；而空调的消耗功率P＝IU；其中，COP表示能效比，Q表示空调的制冷/制热量，P表示空调的消耗功率；I表示空调总运行电流，U表示空调总运行电压。

(4)样本数据库将对应的空调运行参数(例如：压缩机频率、室内风机转速、室外风机转速、电子膨胀阀开度、室内环境温度T1、室内环境湿度θ1、室外环境温度T4等)作为网络的一组输入，将空调的制冷/制热量Q、能效比COP作为一组输出，输入和输出构成一组样本数据，将样本数据存储在数据库中；

(5)空调按照不同运行参数运行一次，将会得到一组新的样本数据，新的实际运行产生的新样本数据和历史样本数据(部分历史数据可来自空调产品开发阶段实验室测试数据)共同构成神经网络的样本数据库，空调实际运行越久，新的样本数据所占比重越大，根据所述样本数据库训练完毕的网络越能真实反映实际运行状态。

在所述神经网络模型的训练阶段，调取所述样本数据可中的样本数据对所述神经网络模型进行网络训练，在所述神经网络模型的输入层输入样本数据的输入参数，输入参数(从所述样本数据中获取)包括环境参数(如室内环境温度、室内环境湿度、室外环境温度等)及运行参数(如压缩机频率、室内风机转速、室外风机转速、电子膨胀阀开度等)；在所述神经网络模型的输入层以输出参数(从同一组样本数据中获取)作为限制条件，输出参数包括空调的制冷/制热量Q和能效比COP，由于所述样本数据的输入参数以及输出参数是确定的，将所述输入参数输入到所述神经网络模型后，为了得到该确定的输出参数，就需要不断调整所述神经网络模型中的输入层与隐含层之间的连接权值、所述隐含层与所述输出层之间的连接权值；输入越多组的样本数据，所述连接权值也就被调整的越准确，也就实现了对所述神经网络模型的训练。

在所述目标运行的获取阶段，所述预设的神经网络模型是已经训练好/训练完毕的神经网络模型，室内所需制冷/制热量作为所述预设的神经网络模型输出参数，通过所述预设的神经网络模型结合优化算法如遗传算法、粒子群优化算法等反向求解所述预设的神经网络模型的输入参数，而该输入参数包括所述目标运行参数如压缩机频率、室内分机转速、室外风机转速、电子膨胀阀开度等。

步骤S30，控制空调按照所述目标运行参数运行，其中，在达到所述制冷/制热量的前提下，所述空调器以所述目标运行参数运行的能效比大于其它运行参数对应的能效比。

在本实施例中，由于所述目标运行参数是最初的求解条件为：在达到所述制冷/制热量的前提下，所述空调器以所述目标运行参数运行的能效比大于其它运行参数对应的能效比，故当空调按照所述目标运行参数运行时，空调的能效比将最大化，也即，所述空调在达到所需制冷/制热量时，空调的功率最小，此时空调最省电。

综上，本发明通过将定时获取室内所需的制冷/制热量，并将所述目标运行参数是最初的求解条件为：在达到所述制冷/制热量的前提下，所述空调器以所述目标运行参数运行时的能效比大于其它运行参数对应的能效比，通过预设的训练好的神经网络模型以及上述求解条件求得所述目标运行参数，并控制空调按照所述目标运行参数运行后，所述空调的能效比将最大化，也即，所述空调在达到所需制冷/制热量，空调的功率最小，此时空调最省电，从而实现耗电少的目的，还可以延缓空调各元件的损耗，延长空调的使用寿命。

进一步的，参照图3，本发明空调的控制方法第二实施例，基于上述图2所示实施例，所述步骤S20之前，包括：

步骤S40，将样本数据库中的样本数据按照预设比例分为训练样本及测试样本，所述样本数据包括输入参数以及输出参数，所述输入参数包括作为定值输入的环境参数及作为可调变量输入的空调运行参数，所述输出参数包括制冷/制热量以及能效比；

步骤S50，根据所述训练样本对所述神经网络模型进行训练，更新所述神经网络模型中输入层与隐含层的连接权值、隐含层与输出层的连接权值、隐含层阈值及输出层阈值。

在本实施例中，将样本数据库中的样本数据按照预设比例分为训练样本及测试样本，例如，将样本数据总数量的85％作为训练样本，样本数据总数量剩下的15％作为测试样本，所述训练样本用于不断对所述神经网络模型进行迭代训练。

进一步的，参照图4，本发明空调的控制方法第三实施例，基于上述图2-3所示实施例，所述步骤50之后包括：

步骤S60，根据所述测试样本判断所述神经网络模型是否训练完毕；

步骤S70，若所述神经网络模型训练完毕，则生成所述预设的神经网络模型；

若所述神经网络模型未训练完毕，则继续执行步骤S50。

在本实施例中，在占总数量85％的训练样本对所述神经网络模型进行训练后，通过所述测试样本判断所述神经网络模型是否训练好/完毕，从而保证所述神经网络模型的准确性。

进一步的，参照图5，本发明空调的控制方法第四实施例，基于上述图2-4所示实施例，所述步骤S60包括：

步骤S61，获取所述测试样本的输入参数输入所述神经网络模型后对应的输出层输出参数与目标参数的差值，所述目标参数包括目标制冷/制热量以及目标能效比；

步骤S62，若所述差值小于预设差值，则判定所述神经网络模型训练完毕。

在本实施例中，如前所述，所述神经网络模型后对应的输出层输出参数包括制冷/制热量及能效比，而所述目标参数包括目标制冷/制热量以及目标能效比，求取所述测试样本的输入参数对应的制冷/制热量(如2900)与目标制冷/制热量(如3000)的差值(此时差值为100)，若预设差值为120，此时，所述差值小于预设差值，则判定所述神经网络模型训练完毕；若所述差值大于预设差值，则所述神经网络模型还需通过训练样本继续进行迭代训练。

进一步的，参照图6，本发明空调的控制方法第五实施例，基于上述图2-5所示实施例，所述步骤S40之前，还包括：

步骤S80，对训练前的神经网络模型初始化，设定所述神经网络中的输入层节点数、隐含层节点数、输出层节点数以及输入层与隐含层的初始连接权值、隐含层与输出层的初始连接权值、初始隐含层阈值及初始输出层阈值。

在本实施例中，对训练前的神经网络模型初始化，例如，将初始连接权值、初始隐含层阈值及初始输出层阈值均赋值为1或者0，或者赋值随机数。

进一步的，参照图7，本发明空调的控制方法第六实施例，基于上述图2-6所示实施例，所述步骤S30之前，还包括：

步骤S90，判断所述目标运行参数是否处于空调预设的运行范围内；

若所述目标运行参数处于所述预设的运行范围内，则执行步骤S30。

在本实施例中，空调都有一定的运行范围，例如，空调压缩机的运行频率一般为10-98Hz，电子膨胀阀的开度为50-400度，室外风机转速为500-3000转/h，室内风机转速为400-1000转/h，故控制所述空调按照所述目标运行参数运行之前，需判断所述目标运行参数是否处于空调预设的运行范围内，若在所述运行范围内，则可空调执行所述目标运行参数，若不在所述运行范围内，则对所述目标运行参数参数重新求解或者对所述神经网络模型重新进行训练。

进一步的，参照图7，本发明空调的控制方法第七实施例，基于上述图2-6所示实施例，所述步骤S30之后，还包括：

步骤S100，在接收到停止优化指令时，停止执行根据所需制冷/制热量以及预设的神经网络模型获取空调的目标运行参数的步骤；

步骤S110，控制所述空调按照最后得到的目标运行参数运行。

在本实施例中，在接收到停止优化指令时，停止对所述目标运行参数的求解过程，避免一直求解消耗能量，同时，控制所述空调按照最后得到的目标运行参数运行，也能保证空调在一定时间内处于最省电的状态。

此外，本发明实施例还提出一种空调的控制装置，所述空调的控制装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的空调的控制程序，所述空调的控制程序被所述处理器执行时实现如上各个实施例所述的空调的控制方法的步骤。

此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有空调的控制程序，所述空调的控制程序被处理器执行时实现如上各个实施例所述的空调的控制方法的步骤。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种空调的控制方法，其特征在于，所述空调的控制方法包括以下步骤：

定时获取室内所需的制冷/制热量；

根据所需制冷/制热量以及预设的神经网络模型获取空调的目标运行参数，所述神经网络模型根据样本数据库中的样本数据训练生成；

控制空调按照所述目标运行参数运行，其中，在达到所述制冷/制热量的前提下，所述空调器以所述目标运行参数运行的能效比大于其它运行参数对应的能效比。

2.如权利要求1所述的空调的控制方法，其特征在于，所述根据所需制冷/制热量以及预设的神经网络模型获取空调的目标运行参数的步骤之前，包括：

将样本数据库中的样本数据按照预设比例分为训练样本及测试样本，所述样本数据包括输入参数以及输出参数，所述输入参数包括作为定值输入的环境参数及作为可调变量输入的空调运行参数，所述输出参数包括制冷/制热量以及能效比；

根据所述训练样本对所述神经网络模型进行网络训练，并更新所述神经网络模型中输入层与隐含层的连接权值、隐含层与输出层的连接权值、隐含层阈值及输出层阈值。

3.如权利要求2所述的空调的控制方法，其特征在于，所述根据所述训练样本对所述神经网络模型进行网络训练的步骤之后包括：

根据所述测试样本判断所述神经网络模型是否训练完毕；

若所述神经网络模型训练完毕，则生成所述预设的神经网络模型；

若所述神经网络模型未训练完毕，则继续执行根据所述训练样本对所述神经网络模型进行网络训练的步骤。

4.如权利要求3所述的空调的控制方法，其特征在于，所述根据所述测试样本判断所述神经网络模型是否训练完毕的步骤包括：

获取所述测试样本的输入参数输入所述神经网络模型后对应的输出层输出参数与目标参数的差值，所述目标参数包括目标制冷/制热量以及目标能效比；

若所述差值小于预设差值，则所述神经网络模型训练完毕。

5.如权利要求3所述的空调的控制方法，其特征在于，所述将样本数据库中的样本数据按照预设比例分为训练样本及测试样本的步骤之前，还包括：

对训练前的神经网络模型初始化，设定所述神经网络中的输入层节点数、隐含层节点数、输出层节点数以及输入层与隐含层的初始连接权值、隐含层与输出层的初始连接权值、初始隐含层阈值及初始输出层阈值。

6.如权利要求2所述的空调的控制方法，其特征在于，所述样本数据库包括多组样本数据，所述环境参数包括作为定值输入的室内环境温度、室内环境湿度以及室外环境温度；所述空调运行参数包括空调的压缩机频率、室内风机转速、室外风机转速、电子膨胀阀开度。

7.如权利要求1所述的空调的控制方法，其特征在于，所述控制空调按照所需运行参数运行的步骤之前，还包括：

判断所述目标运行参数是否处于空调预设的运行范围内；

若所述目标运行参数处于所述预设的运行范围内，则控制空调按照所述目标运行参数运行。

8.如权利要求1-7任一项所述的空调的控制方法，其特征在于，所述控制空调按照所述所需运行参数运行的步骤之后，还包括：

在接收到停止优化指令时，停止执行根据所需制冷/制热量以及预设的神经网络模型获取空调的目标运行参数的步骤；

控制所述空调按照最后得到的目标运行参数运行。

9.一种空调的控制装置，其特征在于，所述空调的控制装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的空调的控制程序，所述空调的控制程序被所述处理器执行时实现如权利要求1至8中任一项所述的空调的控制方法的步骤。

10.一种可读存储介质，其特征在于，所述计算机可读存储介质上存储有空调的控制程序，所述空调的控制被处理器执行时实现如权利要求1至8中任一项所述的空调的控制方法的步骤。